بهبود عملکرد LLM فراتر از تنظیم دقیق
Improving the Performance of Your LLM Beyond Fine Tuning
در این دوره، چند تکنیک و روشی را بررسی خواهیم کرد که می تواند به شما در بهبود عملکرد مدل LLM خود فراتر از روش های تنظیم دقیق سنتی کمک کند. اگر یک رهبر تجاری یا توسعه دهنده ای هستید که به تنظیم دقیق مدل LLM خود علاقه مند هستید، باید این دوره را خریداری کنید. این تکنیک‌ها و روش‌ها می‌توانند به شما کمک کنند تا با افزایش کیفیت و کمیت داده‌هایتان، کاهش عدم تطابق و ناسازگاری داده‌هایتان، کاهش پیچیدگی و اندازه مدل LLM و بهبود کارایی، بر برخی از محدودیت‌ها و چالش‌های تنظیم دقیق غلبه کنید. و سرعت مدل LLM شما.
موضوعات اصلی که در این دوره به آنها خواهیم پرداخت عبارتند از:
بخش 1: نحوه استفاده از تکنیک های افزایش داده برای افزایش کمیت و تنوع داده های خود برای تنظیم دقیق مدل LLM
بخش 2: نحوه استفاده از تکنیک های تطبیق دامنه برای کاهش عدم تطابق و ناسازگاری داده های خود برای تنظیم دقیق مدل LLM
بخش 3: نحوه استفاده از تکنیک‌های هرس مدل برای کاهش پیچیدگی و اندازه مدل LLM پس از تنظیم دقیق آن
بخش 4: نحوه استفاده از تکنیک‌های تقطیر مدل برای بهبود کارایی و سرعت مدل LLM پس از تنظیم دقیق آن
در پایان این دوره، شما قادر خواهید بود:
اهمیت و مزایای بهبود عملکرد مدل LLM خود را فراتر از روش‌های تنظیم دقیق سنتی توضیح دهید
تکنیک‌های تقویت داده‌ها را که می‌توانند کمیت و تنوع داده‌های شما را برای تنظیم دقیق مدل LLM افزایش دهند، شناسایی و به کار ببرید
تکنیک‌های تطبیق دامنه را شناسایی و اعمال کنید که می‌تواند عدم تطابق و ناسازگاری داده‌های شما را برای تنظیم دقیق مدل LLM کاهش دهد
تکنیک‌های هرس مدل را که می‌تواند پیچیدگی و اندازه مدل LLM شما را پس از تنظیم دقیق آن کاهش دهد، شناسایی و به کار ببرید
تکنیک‌های تقطیر مدل را که می‌تواند کارایی و سرعت مدل LLM شما را پس از تنظیم دقیق آن بهبود بخشد، شناسایی و به کار ببرید
این دوره برای هر کسی که علاقه مند به یادگیری نحوه بهبود عملکرد مدل های LLM خود فراتر از روش های تنظیم دقیق سنتی است طراحی شده است. شما باید مقداری دانش اولیه از پردازش زبان طبیعی، یادگیری عمیق و برنامه نویسی پایتون داشته باشید.
امیدوارم که برای پیوستن به من در این دوره هیجان زده باشید.
مقدمه Introduction
-
مقدمه Introduction
تکنیک های افزایش داده برای افزایش کمیت و تنوع داده های شما Data Augmentation Techniques to Increase the Quantity and Diversity of Your Data
-
بخش 1 سخنرانی 1 Section 1 Lecture 1
-
بخش 1 سخنرانی 2 Section 1 Lecture 2
نحوه استفاده از تکنیک های تطبیق دامنه برای کاهش عدم تطابق و ناسازگاری How to use domain adaptation techniques to reduce mismatch and inconsistency
-
بخش 2 سخنرانی 1 Section 2 Lecture 1
-
بخش 2 سخنرانی 2 Section 2 Lecture 2
-
بخش 2 سخنرانی 3 Section 2 Lecture 3
تکنیک های هرس مدل Model Pruning Techniques
-
بخش 3 سخنرانی 1 Section 3 Lecture 1
-
بخش 3 سخنرانی 2 Section 3 Lecture 2
-
بخش 3 سخنرانی 3 Section 3 Lecture 3
-
بخش 3 سخنرانی 4 Section 3 Lecture 4
-
بخش 3 سخنرانی 5 Section 3 Lecture 5
تکنیک های تقطیر مدل Model Distillation Techniques
-
بخش 4 سخنرانی 1 Section 4 Lecture 1
-
بخش 4 سخنرانی 2 Section 4 Lecture 2
-
بخش 4 سخنرانی 3 Section 4 Lecture 3
-
بخش 4 سخنرانی 4 Section 4 Lecture 4
-
بخش 4 سخنرانی 5 Section 4 Lecture 5
ژانویه 2024 به‌روزرسانی روش‌های تنظیم دقیق January 2024 Update To Fine Tuning Methods
-
ژانویه 2024 به‌روزرسانی روش‌های تنظیم دقیق January 2024 Update To Fine Tuning Methods
-
بردارسازی پایگاه داده منبع باز ChromaDB برای مدل های RAG ChromaDB Open Source Database Vectorization For RAG Models
-
ROPE Fine Tuning ROPE Fine Tuning
-
چارچوب تنظیم دقیق LLMs خود پاداش Self Rewarding LLMs Fine Tuning Framework
فوریه 2024 به‌روزرسانی روش‌های تنظیم دقیق February 2024 Update To Fine Tuning Methods
-
نکات و ترفندهای تنظیم LORA LORA Tuning Tips and Tricks
-
قطار خودکار Auto Train
مارس 2024 به‌روزرسانی روش‌های تنظیم دقیق March 2024 Update To Fine Tuning Methods
-
RAFT RAFT
-
مربی خودکار GPT GPT Auto Trainer
به روز رسانی سخنرانی ها در آوریل 2024 April 2024 Update Lectures
-
برای تنظیم دقیق و آموزش به چه مقدار داده نیاز دارید؟ How Much Data Do You Need For Fine Tuning and Training?
-
RAG Tuning در مقابل Fine Tuning RAG Tuning vs Fine Tuning
می 2024 به روز رسانی سخنرانی ها May 2024 Update Lectures
-
MoRa Fine Tuning MoRa Fine Tuning
ژوئن 2024 به روز رسانی سخنرانی ها June 2024 Update Lectures
-
GraphReader GraphReader
به روز رسانی جولای 2024 July 2024 Update
-
جاسازی های چندوجهی جهانی Universal Multimodal Embeddings
به روز رسانی های آگوست 2024 August 2024 Updates
-
زمان استفاده از داده های مصنوعی در مقابل واقعی When To Use Synthetic Vs Real Data
-
مدل‌های زبان فشرده از طریق هرس و تقطیر دانش Compact Language Models via Pruning and Knowledge Distillation
https://donyad.com/d/8c7fc1
Richard Aragon
من هنوز در حال توسعه هستم
نمایش نظرات